# Instalación de dependencias
!pip install gdown -q

# Librerías estándar
import os
import gdown
import pandas as pd
import numpy as np
from pathlib import Path
import shutil
from collections import defaultdict

# Procesamiento de imágenes
import cv2
from scipy import signal as sig
from scipy.ndimage.filters import convolve
from PIL import Image

# Visualización
import matplotlib.pyplot as plt
import matplotlib.patches as patches
from matplotlib.gridspec import GridSpec
import seaborn as sns

# Configuración de visualización
plt.rcParams['figure.figsize'] = (15, 8)
plt.rcParams['font.size'] = 10
sns.set_style("whitegrid")

print("✅ Librerías importadas correctamente")
print(f"📦 OpenCV version: {cv2.__version__}")
print(f"📦 NumPy version: {np.__version__}")

/tmp/ipython-input-2298597382.py:16: DeprecationWarning: Please import `convolve` from the `scipy.ndimage` namespace; the `scipy.ndimage.filters` namespace is deprecated and will be removed in SciPy 2.0.0.
  from scipy.ndimage.filters import convolve

✅ Librerías importadas correctamente
📦 OpenCV version: 4.12.0
📦 NumPy version: 2.0.2

# Crear estructura de directorios
data_dir = Path('data')
data_dir.mkdir(exist_ok=True)

# Directorios por objeto
objects = ['01_Totoro', '02_BorregoTec', '03_Trumpy', '04_Amlito',
           '05_JackDaniels', '06_Simbita', '07_CabinaLondon', '08_AllFriends']

for obj in objects:
    (data_dir / obj).mkdir(exist_ok=True)

print("✅ Estructura de directorios creada")

✅ Estructura de directorios creada

# Datos del CSV (imágenes y sus IDs de Google Drive)
image_data = {
    'nombre_archivo': [
        '7.2_Characteristics_Extraction_chessboard.jpg',
        '01_Totoro_01_Totoro_Front.jpg',
        '01_Totoro_02_Totoro_Front_Dark.jpg',
        '01_Totoro_03_Totoro_Lateral_Derecho.jpg',
        '01_Totoro_04_Totoro_Lateral_Izquierdo.jpg',
        '01_Totoro_05_Totoro_Zoom.jpg',
        '01_Totoro_06_Totoro_Other.jpg',
        '02_BorregoTec_01_BorregoTec_Front.jpg',
        '02_BorregoTec_02_BorregoTec_dark.jpg',
        '02_BorregoTec_03_BorregoTec_Lateral_Derecho.jpg',
        '02_BorregoTec_04_BorregoTec_Lateral_Izquierdo.jpg',
        '02_BorregoTec_05_BorregoTec_Zoom.jpg',
        '02_BorregoTec_06_BorregoTec_Lateral_Other.jpg',
        '03_Trumpy_01_Trumpy_Front.jpg',
        '03_Trumpy_02_Trumpy_Front_Dark.jpg',
        '03_Trumpy_03_Trumpy_Latera_Derecho.jpg',
        '03_Trumpy_03_Trumpy_Latera_Izquierdo.jpg',
        '03_Trumpy_05_Trumpy_Zoom.jpg',
        '03_Trumpy_06_Trumpy_Latera_Other.jpg',
        '04_Amlito_01_Amlito_Front.jpg',
        '04_Amlito_02_Amlito_Front_Dark.jpg',
        '04_Amlito_03_Amlito_Lateral_Derecho.jpg',
        '04_Amlito_04_Amlito_Lateral_Izquierdo.jpg',
        '04_Amlito_05_Amlito_Zoom.jpg',
        '04_Amlito_06_Amlito_Other.jpg',
        '05_JackDaniels_01_JackDaniel_Front.jpg',
        '05_JackDaniels_02_JackDaniel_Front_Dark.jpg',
        '05_JackDaniels_03_JackDaniel_Lateral_Derecho.jpg',
        '05_JackDaniels_04_JackDaniel_Lateral_Izquierdo.jpg',
        '05_JackDaniels_05_JackDaniel_Zoom.jpg',
        '05_JackDaniels_06_JackDaniel_Zoom.jpg',
        '06_Simbita_01_Simbita_Front.jpg',
        '06_Simbita_02_Simbita_Front_Dark.jpg',
        '06_Simbita_03_Simbita_Lateral_Derecho.jpg',
        '06_Simbita_04_Simbita_Lateral_Izquierdo.jpg',
        '06_Simbita_05_Simbita_Lateral_Zoom.jpg',
        '06_Simbita_06_Simbita_Other.jpg',
        '07_CabinaLondon_01_LondonPhone_Front.jpg',
        '07_CabinaLondon_02_LondonPhone_Front_Dark.jpg',
        '07_CabinaLondon_03_LondonPhone_Lateral_Derecho.jpg',
        '07_CabinaLondon_04_LondonPhone_Lateral_Izquierdo.jpg',
        '07_CabinaLondon_05_LondonPhone_Lateral_Zoom.jpg',
        '07_CabinaLondon_06_LondonPhone_Other.jpg',
        '08_AllFriends_01_AllFriends.jpg',
        '08_AllFriends_02_AllFriends.jpg',
        '08_AllFriends_03_AllFriends.jpg',
        '08_AllFriends_04_AllFriends.jpg',
        '08_AllFriends_05_AllFriends.jpg',
        '08_AllFriends_06_AllFriends.jpg'
    ],
    'id_archivo': [
        '1BF_FznGku-lPAvXmSEJYoAfyTZeKSOl4',
        '17ZsTctI7UnnAX6SjSEEiir8AYr7wwRUu',
        '11SrPWXTzGV9FFy3O9rHiX8iC6KxgWUZR',
        '1ocgQo98lWu6PlqLODq-NzCRQXROi9h-d',
        '1gLHotGjFi3DLZ-udZS-6rOQVBamtcjKK',
        '1ZrijkckHyRti0T6ZWi9Sq-wt_si-g-82',
        '1dC_kTWr3pUjmvmINatctkH8PQjnAIEby',
        '15fTnfAVEbR9wEexW3p_g_NiiGtjhmGGq',
        '19AwTTtt_-8dqJjvFlf0xar9jSEWByJA7',
        '1RxenQTKirK4_DWZT5toqZ0sClq-yRCza',
        '1Oodlm15TdlxgKpVX3iQ5VgBFRUeS5u3j',
        '1dsooXHr1I6j1Dodw2O5DLcqU_A34HbUJ',
        '1GJjlMxXb7ARJhWWcoXDghHq7SvJ8vFnF',
        '1Z0nkRn_R7lC8hsFcwAVQlOEzs2FRvL9-',
        '1AEaaWwXnxT-3KmBQP5EQdT5dbzLJdtLh',
        '1tWxzx445HkAHDuhoCUVXugwUH6MbQfQr',
        '193DkPWUwHcjNBUxirwUDHUwZVkAlJQUe',
        '1fxNjAlXG6GYkIA-ACNgfR-WXKEnqkooQ',
        '1wUUyi7993Ty9DWlm1THQhtWG0-KjluvN',
        '1jG9piTePQ3u3VJ3OcSTdW-OrHmnAwLFx',
        '17s9p-tzfUslQ1JihKwcB9NDVYWNUINTe',
        '12MinhNNYdJUamHldK1wNLE1csA6wQRrs',
        '1wFZXKV5c0RN5yHZ5pZZCiWiwCvFEq5p9',
        '1rdTQM3iOGfeQFWez-Jd6GdEDiBcTBj5S',
        '1mWJchSLnsm7eYGP7ae-fyGu-VJSxdPP9',
        '1SZ7ubx8TeELNX0gWJuwa7CNp4mzr79gC',
        '1tpxgqJu2_C0SBgv7K9_Xhx26dx0tnu2F',
        '1JYNtgVFYsUI-8zUTy0cS148JSM4aQiss',
        '1kJJormn6waOeyR-1ah40tjaJ5mzCY4Iq',
        '1-TaQmC2Lrf0LcsOoYkIHxdrWLD6Fq1VD',
        '1EiJBK7ELnFFhE4GiJkDZU7VGEqWkIb9E',
        '15k0E1w0pcpfjY5Ya-iMlrcEr0olfgf-r',
        '13gspVjsuf2dSaYJwNlGrwDsqXBFPjGUH',
        '1lptaj05KxHiEnn1enEVoV12_1vIZeQ0k',
        '1KKGaF7563g2WMeJGg272CsW56-5zPFIt',
        '1-n4SqFhnYg7N0iHbJfBwKTnZjZ3mg2rj',
        '1EQpeyyHCWt7L0ZPq7vve9XQ3lsggfQOg',
        '1Uq-w02e-fiYrd09JRJ5xVm7ACKELw8ir',
        '1BArjDQWFIYkb_qOQh7ErCkvYejnJEOa2',
        '1l2jN8xkvF6STAl0m1yxgRA7Vhd5SkW1i',
        '1bqNshlrvEv9KXW4nXEFaFj367FQ9ZDW8',
        '1yqNGwlBWgYaLMHB5y0QIAaIoerBidorD',
        '1Ho4FeVT9srj0UM1mkm7j6-C2pXfjfw_N',
        '1Jig8jKnv0WpR_jYCsHozmu9VhgBRCE0h',
        '1mEARcofi2vVgTHsYlCz1nCaBWq8iHB3d',
        '1yPJkA_c4RF8BuJEglI7vqs_xxLaUsp3l',
        '19igYU1t3zhI79PXTZC7VM7FdhkUNhpvV',
        '1NfxzEMd6I1GjbhXeE0ANp9HB5DULQDcF',
        '13F54duRAXmYEUsBaeZf-4LaH3GslFShA'
    ]
}

df_images = pd.DataFrame(image_data)
print(f"✅ Dataset: {len(df_images)} imágenes registradas")
df_images.head(10)

✅ Dataset: 49 imágenes registradas

def download_and_resize_image(file_id, output_path, max_size=800):
    """
    Descarga una imagen desde Google Drive y la redimensiona para optimizar espacio.

    Args:
        file_id: ID del archivo en Google Drive
        output_path: Ruta donde guardar la imagen
        max_size: Tamaño máximo en píxeles (se mantiene aspect ratio)
    """
    try:
        # Descargar imagen temporal
        temp_path = 'temp_image.jpg'
        url = f'https://drive.google.com/uc?id={file_id}'
        gdown.download(url, temp_path, quiet=True)

        # Cargar y redimensionar
        img = Image.open(temp_path)

        # Calcular nuevo tamaño manteniendo aspect ratio
        width, height = img.size
        if max(width, height) > max_size:
            if width > height:
                new_width = max_size
                new_height = int(height * (max_size / width))
            else:
                new_height = max_size
                new_width = int(width * (max_size / height))

            img = img.resize((new_width, new_height), Image.Resampling.LANCZOS)

        # Guardar optimizada
        img.save(output_path, 'JPEG', quality=85, optimize=True)

        # Eliminar temporal
        os.remove(temp_path)

        return True
    except Exception as e:
        print(f"❌ Error descargando {output_path}: {e}")
        return False

# Descargar todas las imágenes
print("📥 Descargando imágenes...\n")
downloaded = 0

for idx, row in df_images.iterrows():
    filename = row['nombre_archivo']
    file_id = row['id_archivo']

    # Determinar carpeta de destino
    if 'chessboard' in filename:
        output_path = data_dir / filename
    else:
        # Extraer prefijo del objeto
        prefix = filename.split('_')[0] + '_' + filename.split('_')[1]
        output_path = data_dir / prefix / filename

    if download_and_resize_image(file_id, str(output_path)):
        downloaded += 1
        if (downloaded % 5 == 0):
            print(f"✓ Descargadas: {downloaded}/{len(df_images)}")

print(f"\n✅ Descarga completada: {downloaded}/{len(df_images)} imágenes")
print(f"📁 Imágenes guardadas en: {data_dir.absolute()}")

📥 Descargando imágenes...

✓ Descargadas: 5/49
✓ Descargadas: 10/49
✓ Descargadas: 15/49
✓ Descargadas: 20/49
✓ Descargadas: 25/49
✓ Descargadas: 30/49
✓ Descargadas: 35/49
✓ Descargadas: 40/49
✓ Descargadas: 45/49

✅ Descarga completada: 49/49 imágenes
📁 Imágenes guardadas en: /content/data

# Cargar imagen demo (chessboard)
chessboard_path = str(data_dir / '7.2_Characteristics_Extraction_chessboard.jpg')
img = cv2.imread(chessboard_path)
img_color = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# Visualización
fig, axes = plt.subplots(1, 2, figsize=(15, 6))

axes[0].imshow(img_color)
axes[0].set_title('Imagen Original (RGB)', fontsize=14, fontweight='bold')
axes[0].axis('off')

axes[1].imshow(img_gray, cmap='gray')
axes[1].set_title('Imagen en Escala de Grises', fontsize=14, fontweight='bold')
axes[1].axis('off')

plt.tight_layout()
plt.show()

print(f"📏 Dimensiones de la imagen: {img_gray.shape}")
print(f"📊 Rango de valores: [{img_gray.min()}, {img_gray.max()}]")

📏 Dimensiones de la imagen: (612, 612)
📊 Rango de valores: [0, 255]

def gradient_x(img_gray):
    """
    Calcula el gradiente en dirección X usando el operador Sobel.
    Detecta bordes verticales (cambios de intensidad horizontal).
    """
    kernel_x = np.array([[-1, 0, 1],
                         [-2, 0, 2],
                         [-1, 0, 1]])
    return sig.convolve2d(img_gray, kernel_x, mode='same')

def gradient_y(img_gray):
    """
    Calcula el gradiente en dirección Y usando el operador Sobel.
    Detecta bordes horizontales (cambios de intensidad vertical).
    """
    kernel_y = np.array([[1, 2, 1],
                         [0, 0, 0],
                         [-1, -2, -1]])
    return sig.convolve2d(img_gray, kernel_y, mode='same')

# Calcular gradientes
I_x = gradient_x(img_gray)
I_y = gradient_y(img_gray)

# Calcular magnitud del gradiente para visualización
gradient_magnitude = np.sqrt(I_x**2 + I_y**2)

# Visualización
fig, axes = plt.subplots(2, 2, figsize=(15, 12))

axes[0, 0].imshow(img_gray, cmap='gray')
axes[0, 0].set_title('Imagen Original (Grayscale)', fontsize=12, fontweight='bold')
axes[0, 0].axis('off')

im1 = axes[0, 1].imshow(I_x, cmap='seismic')
axes[0, 1].set_title('Gradiente X (Bordes Verticales)', fontsize=12, fontweight='bold')
axes[0, 1].axis('off')
plt.colorbar(im1, ax=axes[0, 1], fraction=0.046)

im2 = axes[1, 0].imshow(I_y, cmap='seismic')
axes[1, 0].set_title('Gradiente Y (Bordes Horizontales)', fontsize=12, fontweight='bold')
axes[1, 0].axis('off')
plt.colorbar(im2, ax=axes[1, 0], fraction=0.046)

im3 = axes[1, 1].imshow(gradient_magnitude, cmap='hot')
axes[1, 1].set_title('Magnitud del Gradiente', fontsize=12, fontweight='bold')
axes[1, 1].axis('off')
plt.colorbar(im3, ax=axes[1, 1], fraction=0.046)

plt.tight_layout()
plt.show()

print(f"📊 Estadísticas del Gradiente X:")
print(f"   Min: {I_x.min():.2f}, Max: {I_x.max():.2f}, Mean: {I_x.mean():.2f}")
print(f"\n📊 Estadísticas del Gradiente Y:")
print(f"   Min: {I_y.min():.2f}, Max: {I_y.max():.2f}, Mean: {I_y.mean():.2f}")

📊 Estadísticas del Gradiente X:
   Min: -1020.00, Max: 1020.00, Mean: -0.83

📊 Estadísticas del Gradiente Y:
   Min: -1020.00, Max: 1020.00, Mean: 0.82

def gaussian_kernel(size, sigma=1):
    """
    Genera un kernel Gaussiano 2D para suavizado.

    Args:
        size: Tamaño del kernel (debe ser impar)
        sigma: Desviación estándar de la Gaussiana

    Returns:
        Kernel Gaussiano normalizado
    """
    size = int(size) // 2
    x, y = np.mgrid[-size:size+1, -size:size+1]
    normal = 1 / (2.0 * np.pi * sigma**2)
    g = np.exp(-((x**2 + y**2) / (2.0*sigma**2))) * normal
    return g

# Visualizar el kernel Gaussiano
kernel_3x3 = gaussian_kernel(3, sigma=1)
kernel_5x5 = gaussian_kernel(5, sigma=1.5)

fig, axes = plt.subplots(1, 3, figsize=(15, 4))

# Kernel 3x3
im1 = axes[0].imshow(kernel_3x3, cmap='viridis')
axes[0].set_title('Kernel Gaussiano 3x3 (σ=1)', fontsize=12, fontweight='bold')
plt.colorbar(im1, ax=axes[0])

# Kernel 5x5
im2 = axes[1].imshow(kernel_5x5, cmap='viridis')
axes[1].set_title('Kernel Gaussiano 5x5 (σ=1.5)', fontsize=12, fontweight='bold')
plt.colorbar(im2, ax=axes[1])

# Perfil 1D
axes[2].plot(kernel_3x3[1, :], 'o-', label='3x3 (σ=1)', linewidth=2)
axes[2].plot(kernel_5x5[2, :], 's-', label='5x5 (σ=1.5)', linewidth=2)
axes[2].set_title('Perfil 1D del Kernel', fontsize=12, fontweight='bold')
axes[2].set_xlabel('Posición')
axes[2].set_ylabel('Peso')
axes[2].legend()
axes[2].grid(True, alpha=0.3)

plt.tight_layout()
plt.show()

print("🔬 Kernel Gaussiano 3x3:")
print(kernel_3x3)
print(f"\n✓ Suma normalizada: {kernel_3x3.sum():.6f} (debe ser ≈ 1.0)")

🔬 Kernel Gaussiano 3x3:
[[0.05854983 0.09653235 0.05854983]
 [0.09653235 0.15915494 0.09653235]
 [0.05854983 0.09653235 0.05854983]]

✓ Suma normalizada: 0.779484 (debe ser ≈ 1.0)

# Calcular los componentes del tensor de estructura
# Aplicamos suavizado Gaussiano a los productos de gradientes

Ixx = convolve(I_x**2, gaussian_kernel(3, 1))
Ixy = convolve(I_y * I_x, gaussian_kernel(3, 1))
Iyy = convolve(I_y**2, gaussian_kernel(3, 1))

# Visualización de los componentes del tensor
fig, axes = plt.subplots(1, 3, figsize=(18, 5))

im1 = axes[0].imshow(Ixx, cmap='hot')
axes[0].set_title('$I_{xx}$ = G * ($I_x^2$)\nVarianza en X', fontsize=12, fontweight='bold')
axes[0].axis('off')
plt.colorbar(im1, ax=axes[0], fraction=0.046)

im2 = axes[1].imshow(Ixy, cmap='seismic')
axes[1].set_title('$I_{xy}$ = G * ($I_x \cdot I_y$)\nCovarianza X-Y', fontsize=12, fontweight='bold')
axes[1].axis('off')
plt.colorbar(im2, ax=axes[1], fraction=0.046)

im3 = axes[2].imshow(Iyy, cmap='hot')
axes[2].set_title('$I_{yy}$ = G * ($I_y^2$)\nVarianza en Y', fontsize=12, fontweight='bold')
axes[2].axis('off')
plt.colorbar(im3, ax=axes[2], fraction=0.046)

plt.tight_layout()
plt.show()

print("📊 Estadísticas del Tensor de Estructura:")
print(f"\nIxx (Varianza X):")
print(f"  Min: {Ixx.min():.2f}, Max: {Ixx.max():.2f}, Mean: {Ixx.mean():.2f}")
print(f"\nIxy (Covarianza):")
print(f"  Min: {Ixy.min():.2f}, Max: {Ixy.max():.2f}, Mean: {Ixy.mean():.2f}")
print(f"\nIyy (Varianza Y):")
print(f"  Min: {Iyy.min():.2f}, Max: {Iyy.max():.2f}, Mean: {Iyy.mean():.2f}")

<>:17: SyntaxWarning: invalid escape sequence '\c'
<>:17: SyntaxWarning: invalid escape sequence '\c'
/tmp/ipython-input-3714679759.py:17: SyntaxWarning: invalid escape sequence '\c'
  axes[1].set_title('$I_{xy}$ = G * ($I_x \cdot I_y$)\nCovarianza X-Y', fontsize=12, fontweight='bold')

📊 Estadísticas del Tensor de Estructura:

Ixx (Varianza X):
  Min: 0.00, Max: 588712.00, Mean: 21036.45

Ixy (Covarianza):
  Min: -233406.00, Max: 240392.00, Mean: 5.73

Iyy (Varianza Y):
  Min: 0.00, Max: 588725.00, Mean: 21000.93

# Parámetro k de Harris (valor típico: 0.04 - 0.06)
k = 0.05

# Calcular determinante y traza
detA = Ixx * Iyy - Ixy ** 2  # Determinante de la matriz M
traceA = Ixx + Iyy            # Traza de la matriz M

# Calcular respuesta Harris
harris_response = detA - k * traceA ** 2

# Normalizar para visualización
harris_normalized = cv2.normalize(harris_response, None, 0, 255, cv2.NORM_MINMAX, cv2.CV_8U)

# Visualización de componentes y resultado
fig = plt.figure(figsize=(18, 12))
gs = GridSpec(2, 3, figure=fig)

# Fila 1: Componentes
ax1 = fig.add_subplot(gs[0, 0])
im1 = ax1.imshow(detA, cmap='hot')
ax1.set_title(f'Determinante\ndet(M) = $I_{{xx}} \cdot I_{{yy}} - I_{{xy}}^2$',
              fontsize=11, fontweight='bold')
ax1.axis('off')
plt.colorbar(im1, ax=ax1, fraction=0.046)

ax2 = fig.add_subplot(gs[0, 1])
im2 = ax2.imshow(traceA, cmap='viridis')
ax2.set_title(f'Traza\ntrace(M) = $I_{{xx}} + I_{{yy}}$',
              fontsize=11, fontweight='bold')
ax2.axis('off')
plt.colorbar(im2, ax=ax2, fraction=0.046)

ax3 = fig.add_subplot(gs[0, 2])
im3 = ax3.imshow(harris_response, cmap='seismic')
ax3.set_title(f'Respuesta Harris (k={k})\nR = det(M) - k·trace(M)²',
              fontsize=11, fontweight='bold')
ax3.axis('off')
plt.colorbar(im3, ax=ax3, fraction=0.046)

# Fila 2: Análisis
ax4 = fig.add_subplot(gs[1, :])
ax4.hist(harris_response.flatten(), bins=100, color='steelblue', alpha=0.7, edgecolor='black')
ax4.axvline(0, color='red', linestyle='--', linewidth=2, label='R = 0 (transición)')
ax4.set_xlabel('Valor de R', fontsize=12)
ax4.set_ylabel('Frecuencia', fontsize=12)
ax4.set_title('Distribución de Valores de Respuesta Harris', fontsize=13, fontweight='bold')
ax4.legend(fontsize=10)
ax4.grid(True, alpha=0.3)

# Añadir anotaciones de regiones
y_max = ax4.get_ylim()[1]
ax4.text(-np.abs(harris_response.max())*0.7, y_max*0.9, 'Bordes\n(R < 0)',
         fontsize=11, ha='center', bbox=dict(boxstyle='round', facecolor='lightcoral', alpha=0.7))
ax4.text(0, y_max*0.9, 'Plano\n(R ≈ 0)',
         fontsize=11, ha='center', bbox=dict(boxstyle='round', facecolor='lightgray', alpha=0.7))
ax4.text(harris_response.max()*0.7, y_max*0.9, 'Esquinas\n(R > 0)',
         fontsize=11, ha='center', bbox=dict(boxstyle='round', facecolor='lightgreen', alpha=0.7))

plt.tight_layout()
plt.show()

# Estadísticas
print("📊 Estadísticas de la Respuesta Harris:")
print(f"\n  Valor mínimo (bordes más fuertes): {harris_response.min():.2e}")
print(f"  Valor máximo (esquinas más fuertes): {harris_response.max():.2e}")
print(f"  Valor medio: {harris_response.mean():.2e}")
print(f"  Desviación estándar: {harris_response.std():.2e}")

# Conteo de píxeles por categoría
corners = np.sum(harris_response > 0)
edges = np.sum(harris_response < 0)
flat = np.sum(harris_response == 0)
total = harris_response.size

print(f"\n📍 Distribución de píxeles:")
print(f"  Esquinas (R > 0): {corners:,} ({100*corners/total:.2f}%)")
print(f"  Bordes (R < 0): {edges:,} ({100*edges/total:.2f}%)")
print(f"  Planos (R = 0): {flat:,} ({100*flat/total:.2f}%)")

<>:21: SyntaxWarning: invalid escape sequence '\c'
<>:21: SyntaxWarning: invalid escape sequence '\c'
/tmp/ipython-input-2119090743.py:21: SyntaxWarning: invalid escape sequence '\c'
  ax1.set_title(f'Determinante\ndet(M) = $I_{{xx}} \cdot I_{{yy}} - I_{{xy}}^2$',

📊 Estadísticas de la Respuesta Harris:

  Valor mínimo (bordes más fuertes): -1.73e+10
  Valor máximo (esquinas más fuertes): 7.13e+10
  Valor medio: -9.14e+08
  Desviación estándar: 4.04e+09

📍 Distribución de píxeles:
  Esquinas (R > 0): 3,472 (0.93%)
  Bordes (R < 0): 73,899 (19.73%)
  Planos (R = 0): 297,173 (79.34%)

# Crear copias de la imagen en RGB desde el inicio
img_copy_for_corners = cv2.cvtColor(np.copy(img), cv2.COLOR_BGR2RGB)
img_copy_for_edges = cv2.cvtColor(np.copy(img), cv2.COLOR_BGR2RGB)

# SISTEMA HÍBRIDO DE UMBRALES
positive_values = harris_response[harris_response > 0]
negative_values = harris_response[harris_response < 0]

# Calcular umbrales para ESQUINAS
if len(positive_values) > 0:
    mean_pos = positive_values.mean()
    std_pos = positive_values.std()
    corner_threshold_stat = mean_pos + 1.2 * std_pos
    corner_threshold_perc = np.percentile(harris_response, 96)
    corner_threshold = min(corner_threshold_stat, corner_threshold_perc)  # El más permisivo
    print(f"🔴 Umbral esquinas (estadístico): {corner_threshold_stat:.2e}")
    print(f"🔴 Umbral esquinas (percentil 98): {corner_threshold_perc:.2e}")
    print(f"🔴 Umbral esquinas (seleccionado): {corner_threshold:.2e} ← min(ambos)")
else:
    corner_threshold = np.percentile(harris_response, 98)

# Calcular umbrales para BORDES
if len(negative_values) > 0:
    mean_neg = negative_values.mean()
    std_neg = negative_values.std()
    edge_threshold_stat = mean_neg - 2.5 * std_neg
    edge_threshold_perc = np.percentile(harris_response, 0.2)
    edge_threshold = max(edge_threshold_stat, edge_threshold_perc)  # El más permisivo
    print(f"\n🟢 Umbral bordes (estadístico): {edge_threshold_stat:.2e}")
    print(f"🟢 Umbral bordes (percentil 2): {edge_threshold_perc:.2e}")
    print(f"🟢 Umbral bordes (seleccionado): {edge_threshold:.2e} ← max(ambos)")
else:
    edge_threshold = np.percentile(harris_response, 0.2)


# Parámetros de visualización
corner_radius = 6
edge_radius = 5

# Detección con CÍRCULOS SÚPER MARCADOS
corner_count = 0
edge_count = 0

for rowindex, response in enumerate(harris_response):
    for colindex, r in enumerate(response):
        if r > corner_threshold:
            # TRIPLE CAPA ROJA
            cv2.circle(img_copy_for_corners, (colindex, rowindex), corner_radius+2, (255, 100, 100), 1)
            cv2.circle(img_copy_for_corners, (colindex, rowindex), corner_radius, (255, 0, 0), -1)
            cv2.circle(img_copy_for_corners, (colindex, rowindex), corner_radius, (150, 0, 0), 2)
            corner_count += 1
        elif r < edge_threshold:
            # TRIPLE CAPA VERDE
            cv2.circle(img_copy_for_edges, (colindex, rowindex), edge_radius+2, (100, 255, 100), 1)
            cv2.circle(img_copy_for_edges, (colindex, rowindex), edge_radius, (0, 255, 0), -1)
            cv2.circle(img_copy_for_edges, (colindex, rowindex), edge_radius, (0, 150, 0), 2)
            edge_count += 1

corners_rgb = img_copy_for_corners
edges_rgb = img_copy_for_edges

# Visualización
fig, axes = plt.subplots(1, 3, figsize=(18, 6))

axes[0].imshow(img_color)
axes[0].set_title('Imagen Original', fontsize=13, fontweight='bold')
axes[0].axis('off')

axes[1].imshow(corners_rgb)
axes[1].set_title(f'Esquinas Detectadas\n{corner_count:,} esquinas (radio {corner_radius}px)',
                  fontsize=13, fontweight='bold', color='darkred')
axes[1].axis('off')

axes[2].imshow(edges_rgb)
axes[2].set_title(f'Bordes Detectados\n{edge_count:,} bordes (radio {edge_radius}px)',
                  fontsize=13, fontweight='bold', color='darkgreen')
axes[2].axis('off')

plt.tight_layout()
plt.show()

print(f"\n✅ Esquinas detectadas: {corner_count:,}")
print(f"✅ Bordes detectados: {edge_count:,}")
print(f"\n💡 Sistema híbrido garantiza variabilidad entre imágenes")

🔴 Umbral esquinas (estadístico): 2.44e+10
🔴 Umbral esquinas (percentil 98): 0.00e+00
🔴 Umbral esquinas (seleccionado): 0.00e+00 ← min(ambos)

🟢 Umbral bordes (estadístico): -2.27e+10
🟢 Umbral bordes (percentil 2): -1.73e+10
🟢 Umbral bordes (seleccionado): -1.73e+10 ← max(ambos)

✅ Esquinas detectadas: 3,472
✅ Bordes detectados: 272

💡 Sistema híbrido garantiza variabilidad entre imágenes

# ========================================
# 🔧 FUNCIÓN HARRIS CORNER DETECTION
# ========================================

def harris_corner_detection(img, img_gray, gaussian_blur=False, improve_thresholds=False, k=0.05,
                           corner_radius=3, edge_radius=3):
    """
    Implementación completa del Detector de Harris con sistema híbrido de umbrales CORREGIDO.

    CAMBIOS PRINCIPALES:
    - Percentil de esquinas: 98 → 96 (menos agresivo)
    - Percentil de bordes: 2 → 4 (menos agresivo)
    - Multiplicador sigma: 0.8 → 1.2 (criterio estadístico más permisivo)

    Esto hace que el criterio ESTADÍSTICO sea más relevante y genere variabilidad real.
    """
    # 1. Preprocesamiento
    if gaussian_blur:
        img_gray = cv2.GaussianBlur(img_gray, (5, 5), 1.5)

    # 2. Gradientes
    I_x = gradient_x(img_gray)
    I_y = gradient_y(img_gray)

    # 3. Tensor de estructura
    Ixx = convolve(I_x**2, gaussian_kernel(3, 2))
    Ixy = convolve(I_y*I_x, gaussian_kernel(3, 2))
    Iyy = convolve(I_y**2, gaussian_kernel(3, 2))

    # 4. Respuesta Harris
    detA = Ixx * Iyy - Ixy ** 2
    traceA = Ixx + Iyy
    harris_response = detA - k * traceA ** 2

    # 5. Heatmap mejorado
    response_clipped = np.clip(harris_response,
                               np.percentile(harris_response, 1),
                               np.percentile(harris_response, 99))
    harris_norm = cv2.normalize(response_clipped, None, 0, 255, cv2.NORM_MINMAX, cv2.CV_8U)
    harris_colormap = cv2.applyColorMap(harris_norm, cv2.COLORMAP_HOT)

    img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    harris_colormap_rgb = cv2.cvtColor(harris_colormap, cv2.COLOR_BGR2RGB)
    harris_overlay = cv2.addWeighted(img_rgb, 0.4, harris_colormap_rgb, 0.6, 0)

    # 6. ⭐ SISTEMA HÍBRIDO DE UMBRALES ⭐
    if improve_thresholds:
        positive_values = harris_response[harris_response > 0]
        negative_values = harris_response[harris_response < 0]

        # ESQUINAS: min(estadístico, percentil) = el más permisivo
        if len(positive_values) > 0:
            mean_pos = positive_values.mean()
            std_pos = positive_values.std()
            corner_threshold_stat = mean_pos + 0.5 * std_pos
            corner_threshold_perc = np.percentile(harris_response, 99.7)
            corner_threshold = min(corner_threshold_stat, corner_threshold_perc)
        else:
            corner_threshold = np.percentile(harris_response, 99.7)

        # BORDES: max(estadístico, percentil) = el más permisivo
        if len(negative_values) > 0:
            mean_neg = negative_values.mean()
            std_neg = negative_values.std()
            edge_threshold_stat = mean_neg - 0.55 * std_neg
            edge_threshold_perc = np.percentile(harris_response, 0.8)
            edge_threshold = max(edge_threshold_stat, edge_threshold_perc)
        else:
            edge_threshold = np.percentile(harris_response, 0.8)
    else:
        corner_threshold = np.percentile(harris_response, 92)
        edge_threshold = np.percentile(harris_response, 8)

    # 7. Copias RGB
    img_copy_for_corners = cv2.cvtColor(np.copy(img), cv2.COLOR_BGR2RGB)
    img_copy_for_edges = cv2.cvtColor(np.copy(img), cv2.COLOR_BGR2RGB)

    # 8. Marcar círculos
    corner_count = 0
    edge_count = 0
    corner_strengths = []
    edge_strengths = []

    for rowindex, response in enumerate(harris_response):
        for colindex, r in enumerate(response):
            if r > corner_threshold:
                cv2.circle(img_copy_for_corners, (colindex, rowindex), corner_radius+2, (255, 100, 100), 1)
                cv2.circle(img_copy_for_corners, (colindex, rowindex), corner_radius, (255, 0, 0), -1)
                cv2.circle(img_copy_for_corners, (colindex, rowindex), corner_radius, (150, 0, 0), 2)
                corner_count += 1
                corner_strengths.append(r)
            elif r < edge_threshold:
                cv2.circle(img_copy_for_edges, (colindex, rowindex), edge_radius+2, (100, 255, 100), 1)
                cv2.circle(img_copy_for_edges, (colindex, rowindex), edge_radius, (0, 255, 0), -1)
                cv2.circle(img_copy_for_edges, (colindex, rowindex), edge_radius, (0, 150, 0), 2)
                edge_count += 1
                edge_strengths.append(abs(r))

    # 9. Métricas
    metrics = {
        'num_corners': corner_count,
        'num_edges': edge_count,
        'corner_threshold': corner_threshold,
        'edge_threshold': edge_threshold,
        'avg_corner_strength': np.mean(corner_strengths) if corner_strengths else 0,
        'max_corner_strength': np.max(corner_strengths) if corner_strengths else 0,
        'avg_edge_strength': np.mean(edge_strengths) if edge_strengths else 0,
        'response_mean': harris_response.mean(),
        'response_std': harris_response.std(),
        'response_range': harris_response.max() - harris_response.min(),
        'heatmap_overlay': harris_overlay
    }

    return img_copy_for_corners, img_copy_for_edges, harris_response, harris_colormap, metrics

# Prueba rápida
img_test = cv2.imread(str(data_dir / '01_Totoro' / '01_Totoro_01_Totoro_Front.jpg'))
img_test_gray = cv2.cvtColor(img_test, cv2.COLOR_BGR2GRAY)

_, _, _, _, metrics = harris_corner_detection(
    img_test, img_test_gray, gaussian_blur=True, improve_thresholds=True
)

print(f"Esquinas: {metrics['num_corners']:,}")
print(f"Bordes: {metrics['num_edges']:,}")

if metrics['num_corners'] == 9600:
    print("\n❌ SIGUE MAL - La función NO se actualizó")
    print("   Reinicia kernel y ejecuta DE NUEVO la celda de la función")
else:
    print(f"\n✅ FUNCIONA - Detectó {metrics['num_corners']:,} esquinas (diferente a 9,600)")

Esquinas: 1,440
Bordes: 7,057

✅ FUNCIONA - Detectó 1,440 esquinas (diferente a 9,600)

# Probar diferentes configuraciones en la imagen de chessboard
print("🧪 Probando diferentes configuraciones...\n")

# Configuración 1: Básico (sin blur, sin umbrales mejorados)
corners_basic, edges_basic, response_basic, heatmap_basic, metrics_basic = harris_corner_detection(
    img, img_gray, gaussian_blur=False, improve_thresholds=False,
    corner_radius=6, edge_radius=5
)

# Configuración 2: Con Gaussian Blur
corners_blur, edges_blur, response_blur, heatmap_blur, metrics_blur = harris_corner_detection(
    img, img_gray, gaussian_blur=True, improve_thresholds=False,
    corner_radius=6, edge_radius=5
)

# Configuración 3: Con Blur + Sistema Híbrido de Umbrales
corners_full, edges_full, response_full, heatmap_full, metrics_full = harris_corner_detection(
    img, img_gray, gaussian_blur=True, improve_thresholds=True,
    corner_radius=6, edge_radius=5
)

# Visualización comparativa
fig = plt.figure(figsize=(18, 14))
gs = GridSpec(3, 4, figure=fig, hspace=0.3, wspace=0.2)

configs = [
    ("Básico (Percentil 92/8)", corners_basic, edges_basic, heatmap_basic, metrics_basic),
    ("+ Gaussian Blur (Percentil 92/8)", corners_blur, edges_blur, heatmap_blur, metrics_blur),
    ("+ Blur + Sistema Híbrido (μ±0.8σ / p98,2)", corners_full, edges_full, heatmap_full, metrics_full)
]

for i, (title, corners, edges, heatmap, metrics) in enumerate(configs):
    n_corners = metrics['num_corners']
    n_edges = metrics['num_edges']
    avg_corner_strength = metrics['avg_corner_strength']
    avg_edge_strength = metrics['avg_edge_strength']

    # Imagen original
    ax_orig = fig.add_subplot(gs[i, 0])
    ax_orig.imshow(img_color)
    ax_orig.set_title(f'{title}\nOriginal', fontsize=11, fontweight='bold')
    ax_orig.axis('off')

    # Esquinas
    ax_corners = fig.add_subplot(gs[i, 1])
    ax_corners.imshow(corners)
    ax_corners.set_title(f'Esquinas: {n_corners:,}\nFuerza Avg: {avg_corner_strength:.0f}',
                        fontsize=11, fontweight='bold', color='darkred')
    ax_corners.axis('off')

    # Bordes
    ax_edges = fig.add_subplot(gs[i, 2])
    ax_edges.imshow(edges)
    ax_edges.set_title(f'Bordes: {n_edges:,}\nFuerza Avg: {avg_edge_strength:.0f}',
                      fontsize=11, fontweight='bold', color='darkgreen')
    ax_edges.axis('off')

    # Mapa de calor
    ax_heat = fig.add_subplot(gs[i, 3])
    ax_heat.imshow(cv2.cvtColor(heatmap, cv2.COLOR_BGR2RGB))
    ax_heat.set_title(f'Heatmap\nRango: {metrics["response_range"]:.1e}',
                     fontsize=11, fontweight='bold')
    ax_heat.axis('off')

plt.suptitle('Comparación de Configuraciones - Sistema Híbrido de Umbrales',
             fontsize=16, fontweight='bold', y=0.995)
plt.show()

# Tabla comparativa
print("\n✅ Comparación completada")
print("\n📊 TABLA COMPARATIVA:")
print("="*90)

comparison_df = pd.DataFrame([
    {
        'Configuración': 'Básico',
        'Esquinas': metrics_basic['num_corners'],
        'Fuerza_Esq': f"{metrics_basic['avg_corner_strength']:.0f}",
        'Bordes': metrics_basic['num_edges'],
        'Fuerza_Bor': f"{metrics_basic['avg_edge_strength']:.0f}"
    },
    {
        'Configuración': '+ Gaussian Blur',
        'Esquinas': metrics_blur['num_corners'],
        'Fuerza_Esq': f"{metrics_blur['avg_corner_strength']:.0f}",
        'Bordes': metrics_blur['num_edges'],
        'Fuerza_Bor': f"{metrics_blur['avg_edge_strength']:.0f}"
    },
    {
        'Configuración': '+ Blur + Híbrido',
        'Esquinas': metrics_full['num_corners'],
        'Fuerza_Esq': f"{metrics_full['avg_corner_strength']:.0f}",
        'Bordes': metrics_full['num_edges'],
        'Fuerza_Bor': f"{metrics_full['avg_edge_strength']:.0f}"
    }
])

print(comparison_df.to_string(index=False))
print("="*90)

print("\n🎨 MEJORAS APLICADAS:")
print("   ✅ Sistema híbrido: min(μ+0.8σ, p98) para esquinas")
print("   ✅ Sistema híbrido: max(μ-0.8σ, p2) para bordes")
print("   ✅ Genera VARIABILIDAD real entre imágenes")
print("   ✅ Círculos súper marcados (6/5px triple capa)")

🧪 Probando diferentes configuraciones...

✅ Comparación completada

📊 TABLA COMPARATIVA:
==========================================================================================
   Configuración  Esquinas Fuerza_Esq  Bordes Fuerza_Bor
          Básico      3453 1290940339   29877 1645783037
 + Gaussian Blur      3046  128155960   29958  324947192
+ Blur + Híbrido      1123  315564060    3524 1314558674
==========================================================================================

🎨 MEJORAS APLICADAS:
   ✅ Sistema híbrido: min(μ+0.8σ, p98) para esquinas
   ✅ Sistema híbrido: max(μ-0.8σ, p2) para bordes
   ✅ Genera VARIABILIDAD real entre imágenes
   ✅ Círculos súper marcados (6/5px triple capa)

def analyze_object(object_name, object_prefix, data_dir):
    """
    Analiza todas las imágenes de un objeto específico con sistema híbrido de umbrales.
    """
    print(f"\n{'='*80}")
    print(f"🎯 ANALIZANDO: {object_name}")
    print(f"{'='*80}\n")

    object_dir = data_dir / object_prefix
    images = sorted(list(object_dir.glob('*.jpg')) + list(object_dir.glob('*.jpeg')))

    if not images:
        print(f"⚠️ No se encontraron imágenes en {object_dir}")
        return

    print(f"📁 Carpeta: {object_dir}")
    print(f"📸 Imágenes encontradas: {len(images)}\n")

    results = []

    for img_path in images:
        img = cv2.imread(str(img_path))
        img_color = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
        img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

        # IMPORTANTE: improve_thresholds=True activa el sistema híbrido
        corners, edges, response, heatmap, metrics = harris_corner_detection(
            img, img_gray,
            gaussian_blur=True,
            improve_thresholds=True,  # ← CRÍTICO: Activa sistema híbrido
            corner_radius=6,
            edge_radius=5
        )

        results.append({
            'filename': img_path.name,
            'img_color': img_color,
            'img_gray': img_gray,
            'corners': corners,
            'edges': edges,
            'heatmap': cv2.cvtColor(heatmap, cv2.COLOR_BGR2RGB),
            'heatmap_overlay': metrics['heatmap_overlay'],
            'response': response,
            **metrics
        })

    # Visualizar - 6 COLUMNAS
    n_images = len(results)
    fig = plt.figure(figsize=(24, 4*n_images))
    gs = GridSpec(n_images, 6, figure=fig, hspace=0.3, wspace=0.2)

    for i, res in enumerate(results):
        # Original
        ax1 = fig.add_subplot(gs[i, 0])
        ax1.imshow(res['img_color'])
        ax1.set_title(f"{res['filename']}\nOriginal", fontsize=10, fontweight='bold')
        ax1.axis('off')

        # Grayscale
        ax2 = fig.add_subplot(gs[i, 1])
        ax2.imshow(res['img_gray'], cmap='gray')
        ax2.set_title('Grayscale', fontsize=10, fontweight='bold')
        ax2.axis('off')

        # Esquinas
        ax3 = fig.add_subplot(gs[i, 2])
        ax3.imshow(res['corners'])
        ax3.set_title(f"Esquinas: {res['num_corners']:,}\nFuerza: {res['avg_corner_strength']:.0f}",
                     fontsize=10, fontweight='bold', color='darkred')
        ax3.axis('off')

        # Bordes
        ax4 = fig.add_subplot(gs[i, 3])
        ax4.imshow(res['edges'])
        ax4.set_title(f"Bordes: {res['num_edges']:,}\nFuerza: {res['avg_edge_strength']:.0f}",
                     fontsize=10, fontweight='bold', color='darkgreen')
        ax4.axis('off')

        # Heatmap
        ax5 = fig.add_subplot(gs[i, 4])
        ax5.imshow(res['heatmap'])
        ax5.set_title(f'Heatmap\n(HOT)', fontsize=10, fontweight='bold')
        ax5.axis('off')

        # Overlay
        ax6 = fig.add_subplot(gs[i, 5])
        ax6.imshow(res['heatmap_overlay'])
        ax6.set_title(f'Overlay\n(Silueta)', fontsize=10, fontweight='bold')
        ax6.axis('off')

    plt.suptitle(f'Análisis Harris: {object_name} - Sistema Híbrido',
                 fontsize=16, fontweight='bold', y=0.998)
    plt.show()

    # Tabla de resultados
    df_results = pd.DataFrame([{
        'Imagen': r['filename'],
        'Esquinas': r['num_corners'],
        'Fuerza_Esq_Avg': f"{r['avg_corner_strength']:.0f}",
        'Fuerza_Esq_Max': f"{r['max_corner_strength']:.0f}",
        'Bordes': r['num_edges'],
        'Fuerza_Bor_Avg': f"{r['avg_edge_strength']:.0f}",
        'R_Range': f"{r['response_range']:.2e}",
        'R_Std': f"{r['response_std']:.2e}"
    } for r in results])

    print("\n📊 TABLA DE RESULTADOS:")
    print(df_results.to_string(index=False))
    print("\n")

    return results, df_results

print("✅ Función analyze_object() - CON SISTEMA HÍBRIDO")
print("   🔴 Esquinas: min(μ+0.8σ, p98)")
print("   🟢 Bordes: max(μ-0.8σ, p2)")
print("   🎯 Garantiza variabilidad entre imágenes")

✅ Función analyze_object() - CON SISTEMA HÍBRIDO
   🔴 Esquinas: min(μ+0.8σ, p98)
   🟢 Bordes: max(μ-0.8σ, p2)
   🎯 Garantiza variabilidad entre imágenes

results_totoro, df_totoro = analyze_object("Totoro 🐱", "01_Totoro", data_dir)

================================================================================
🎯 ANALIZANDO: Totoro 🐱
================================================================================

📁 Carpeta: data/01_Totoro
📸 Imágenes encontradas: 6

📊 TABLA DE RESULTADOS:
                                   Imagen  Esquinas Fuerza_Esq_Avg Fuerza_Esq_Max  Bordes Fuerza_Bor_Avg  R_Range    R_Std
            01_Totoro_01_Totoro_Front.jpg      1440        9014726      983809195    7057       86426089 1.45e+09 1.51e+07
       01_Totoro_02_Totoro_Front_Dark.jpg      1440        1212648       45913431    8214        6589266 8.90e+07 1.35e+06
  01_Totoro_03_Totoro_Lateral_Derecho.jpg      1440        8826812     1203484747    6195      109726569 1.72e+09 1.73e+07
01_Totoro_04_Totoro_Lateral_Izquierdo.jpg      1440        8872655     1450936527    5944       90415179 1.77e+09 1.43e+07
             01_Totoro_05_Totoro_Zoom.jpg      1440       22820896     7647272816    5376      120132948 9.21e+09 2.56e+07
            01_Totoro_06_Totoro_Other.jpg      1440        1365896       33200372    7725        3772505 9.86e+07 8.61e+05

results_borrego, df_borrego = analyze_object("Borrego Tec 🐏", "02_BorregoTec", data_dir)

================================================================================
🎯 ANALIZANDO: Borrego Tec 🐏
================================================================================

📁 Carpeta: data/02_BorregoTec
📸 Imágenes encontradas: 6

/usr/local/lib/python3.12/dist-packages/IPython/core/pylabtools.py:151: UserWarning: Glyph 128015 (\N{RAM}) missing from font(s) DejaVu Sans.
  fig.canvas.print_figure(bytes_io, **kw)

📊 TABLA DE RESULTADOS:
                                           Imagen  Esquinas Fuerza_Esq_Avg Fuerza_Esq_Max  Bordes Fuerza_Bor_Avg  R_Range    R_Std
            02_BorregoTec_01_BorregoTec_Front.jpg      1440       36847110     3359536875   10461      132047663 4.09e+09 3.03e+07
             02_BorregoTec_02_BorregoTec_dark.jpg      1476       25656498      193362812    9789       46893988 3.72e+08 8.59e+06
  02_BorregoTec_03_BorregoTec_Lateral_Derecho.jpg      1440       39919109     2770768017   10625      154609511 3.69e+09 3.45e+07
02_BorregoTec_04_BorregoTec_Lateral_Izquierdo.jpg      1440       30808438     2498830885    8926      141223297 3.11e+09 2.77e+07
             02_BorregoTec_05_BorregoTec_Zoom.jpg      1440       32812401     1282253734    9451      105351316 1.98e+09 2.10e+07
    02_BorregoTec_06_BorregoTec_Lateral_Other.jpg      1699       21997830      273004857    9116       40367710 4.54e+08 7.77e+06

results_trumpy, df_trumpy = analyze_object("Trumpy 🎺", "03_Trumpy", data_dir)

================================================================================
🎯 ANALIZANDO: Trumpy 🎺
================================================================================

📁 Carpeta: data/03_Trumpy
📸 Imágenes encontradas: 6

/usr/local/lib/python3.12/dist-packages/IPython/core/pylabtools.py:151: UserWarning: Glyph 127930 (\N{TRUMPET}) missing from font(s) DejaVu Sans.
  fig.canvas.print_figure(bytes_io, **kw)

📊 TABLA DE RESULTADOS:
                                  Imagen  Esquinas Fuerza_Esq_Avg Fuerza_Esq_Max  Bordes Fuerza_Bor_Avg  R_Range    R_Std
           03_Trumpy_01_Trumpy_Front.jpg      1440       27071012     2115735334    7531       94455860 2.58e+09 1.87e+07
      03_Trumpy_02_Trumpy_Front_Dark.jpg      1741       30417120     2122911776    7678       88343407 2.57e+09 1.78e+07
  03_Trumpy_03_Trumpy_Latera_Derecho.jpg      1440       22487567     1593384089    7279       95924075 2.01e+09 1.69e+07
03_Trumpy_03_Trumpy_Latera_Izquierdo.jpg      1732       19675030      645024911    8548       40927670 8.05e+08 7.44e+06
            03_Trumpy_05_Trumpy_Zoom.jpg      1440       12021733     1152905340    5979       79938198 1.43e+09 1.20e+07
    03_Trumpy_06_Trumpy_Latera_Other.jpg      1440       19989909     2149271849    6402      127084915 2.65e+09 2.05e+07

results_amlito, df_amlito = analyze_object("Amlito 🌮", "04_Amlito", data_dir)

================================================================================
🎯 ANALIZANDO: Amlito 🌮
================================================================================

📁 Carpeta: data/04_Amlito
📸 Imágenes encontradas: 6

/usr/local/lib/python3.12/dist-packages/IPython/core/pylabtools.py:151: UserWarning: Glyph 127790 (\N{TACO}) missing from font(s) DejaVu Sans.
  fig.canvas.print_figure(bytes_io, **kw)

📊 TABLA DE RESULTADOS:
                                   Imagen  Esquinas Fuerza_Esq_Avg Fuerza_Esq_Max  Bordes Fuerza_Bor_Avg  R_Range    R_Std
            04_Amlito_01_Amlito_Front.jpg      1440       25864360     1559044481   14888       72358488 1.91e+09 1.85e+07
       04_Amlito_02_Amlito_Front_Dark.jpg      1440       16986058      225870463   11846       44870688 4.01e+08 9.13e+06
  04_Amlito_03_Amlito_Lateral_Derecho.jpg      1718       17562730     1061219660   12715       64557509 1.46e+09 1.56e+07
04_Amlito_04_Amlito_Lateral_Izquierdo.jpg      1857       20612192      842916931   17842       51707217 1.07e+09 1.31e+07
             04_Amlito_05_Amlito_Zoom.jpg      1767       25799201     1055457315    9090       76770276 1.49e+09 1.50e+07
            04_Amlito_06_Amlito_Other.jpg      1527       28236349      269225129   12666       52139281 4.56e+08 1.09e+07

results_jack, df_jack = analyze_object("Jack Daniels 🥃", "05_JackDaniels", data_dir)

================================================================================
🎯 ANALIZANDO: Jack Daniels 🥃
================================================================================

📁 Carpeta: data/05_JackDaniels
📸 Imágenes encontradas: 6

/usr/local/lib/python3.12/dist-packages/IPython/core/pylabtools.py:151: UserWarning: Glyph 129347 (\N{TUMBLER GLASS}) missing from font(s) DejaVu Sans.
  fig.canvas.print_figure(bytes_io, **kw)

📊 TABLA DE RESULTADOS:
                                            Imagen  Esquinas Fuerza_Esq_Avg Fuerza_Esq_Max  Bordes Fuerza_Bor_Avg  R_Range    R_Std
            05_JackDaniels_01_JackDaniel_Front.jpg      1440       13392035     1270612317    6753       72137059 1.67e+09 1.29e+07
       05_JackDaniels_02_JackDaniel_Front_Dark.jpg      1644        3589689       52756520    8454        7713664 1.12e+08 1.39e+06
  05_JackDaniels_03_JackDaniel_Lateral_Derecho.jpg      1440       23106252     5180812154    5119      262363464 6.51e+09 3.93e+07
05_JackDaniels_04_JackDaniel_Lateral_Izquierdo.jpg      1440        5248873      575163718    6179       31381819 7.17e+08 5.33e+06
             05_JackDaniels_05_JackDaniel_Zoom.jpg      1440       19813021     5315058256    5040      188339191 6.51e+09 3.08e+07
             05_JackDaniels_06_JackDaniel_Zoom.jpg      1440        6049828      801094534    6298       53737554 1.02e+09 8.68e+06

results_simbita, df_simbita = analyze_object("Simbita 🦁", "06_Simbita", data_dir)

================================================================================
🎯 ANALIZANDO: Simbita 🦁
================================================================================

📁 Carpeta: data/06_Simbita
📸 Imágenes encontradas: 6

/usr/local/lib/python3.12/dist-packages/IPython/core/pylabtools.py:151: UserWarning: Glyph 129409 (\N{LION FACE}) missing from font(s) DejaVu Sans.
  fig.canvas.print_figure(bytes_io, **kw)

📊 TABLA DE RESULTADOS:
                                     Imagen  Esquinas Fuerza_Esq_Avg Fuerza_Esq_Max  Bordes Fuerza_Bor_Avg  R_Range    R_Std
            06_Simbita_01_Simbita_Front.jpg      1440         751548       97613712    7606        6726980 1.38e+08 1.26e+06
       06_Simbita_02_Simbita_Front_Dark.jpg      1440         892284       65628761    5630        2743740 1.29e+08 5.91e+05
  06_Simbita_03_Simbita_Lateral_Derecho.jpg      1440        4874385      851119411    6769       45044147 1.04e+09 7.43e+06
06_Simbita_04_Simbita_Lateral_Izquierdo.jpg      1440        3624144      602656520    6707       48406915 8.34e+08 7.65e+06
     06_Simbita_05_Simbita_Lateral_Zoom.jpg      1440        6061261      970661434    5498      101666379 1.36e+09 1.45e+07
            06_Simbita_06_Simbita_Other.jpg      1440        7790972     1972330988    6083       70519662 2.43e+09 1.18e+07

results_london, df_london = analyze_object("Cabina London ☎️", "07_CabinaLondon", data_dir)

================================================================================
🎯 ANALIZANDO: Cabina London ☎️
================================================================================

📁 Carpeta: data/07_CabinaLondon
📸 Imágenes encontradas: 6

📊 TABLA DE RESULTADOS:
                                              Imagen  Esquinas Fuerza_Esq_Avg Fuerza_Esq_Max  Bordes Fuerza_Bor_Avg  R_Range    R_Std
            07_CabinaLondon_01_LondonPhone_Front.jpg      1440       14708483     2220427715    5437      153532212 2.87e+09 2.23e+07
       07_CabinaLondon_02_LondonPhone_Front_Dark.jpg      1440         622316       59548519    5497        2828551 7.52e+07 4.99e+05
  07_CabinaLondon_03_LondonPhone_Lateral_Derecho.jpg      1440       14602584     2662528902    5283      194524474 3.51e+09 2.84e+07
07_CabinaLondon_04_LondonPhone_Lateral_Izquierdo.jpg      1440       11193971     1281520645    5549      127810653 1.75e+09 1.79e+07
     07_CabinaLondon_05_LondonPhone_Lateral_Zoom.jpg      1440       16059573     2068421472    5382      167251433 2.70e+09 2.45e+07
            07_CabinaLondon_06_LondonPhone_Other.jpg      1440       13617435     1696542437    5450      188884178 2.46e+09 2.64e+07

results_friends, df_friends = analyze_object("All Friends 👥", "08_AllFriends", data_dir)

================================================================================
🎯 ANALIZANDO: All Friends 👥
================================================================================

📁 Carpeta: data/08_AllFriends
📸 Imágenes encontradas: 6

/usr/local/lib/python3.12/dist-packages/IPython/core/pylabtools.py:151: UserWarning: Glyph 128101 (\N{BUSTS IN SILHOUETTE}) missing from font(s) DejaVu Sans.
  fig.canvas.print_figure(bytes_io, **kw)

📊 TABLA DE RESULTADOS:
                         Imagen  Esquinas Fuerza_Esq_Avg Fuerza_Esq_Max  Bordes Fuerza_Bor_Avg  R_Range    R_Std
08_AllFriends_01_AllFriends.jpg      1897       11690323      878072128    5482       81869243 1.62e+09 1.67e+07
08_AllFriends_02_AllFriends.jpg      1440       15084708     2033748239    5005       79734945 2.74e+09 1.63e+07
08_AllFriends_03_AllFriends.jpg      1821       10682366      809108875    6374       91721356 2.02e+09 1.95e+07
08_AllFriends_04_AllFriends.jpg      1527       11590621      990038255    9108       28567875 1.23e+09 6.92e+06
08_AllFriends_05_AllFriends.jpg      1846       11793742      889313434    5725       91118469 1.90e+09 1.94e+07
08_AllFriends_06_AllFriends.jpg      1440       13803442     1681599002    6785       65843495 2.25e+09 1.40e+07

# Consolidar todos los dataframes
all_dataframes = {
    'Totoro': df_totoro,
    'Borrego Tec': df_borrego,
    'Trumpy': df_trumpy,
    'Amlito': df_amlito,
    'Jack Daniels': df_jack,
    'Simbita': df_simbita,
    'Cabina London': df_london,
    'All Friends': df_friends
}

# Crear tabla consolidada
consolidated_data = []
for obj_name, df in all_dataframes.items():
    df_copy = df.copy()
    df_copy['Objeto'] = obj_name
    consolidated_data.append(df_copy)

df_consolidated = pd.concat(consolidated_data, ignore_index=True)

# Reordenar columnas con las nuevas métricas
df_consolidated = df_consolidated[['Objeto', 'Imagen', 'Esquinas', 'Fuerza_Esq_Avg',
                                    'Fuerza_Esq_Max', 'Bordes', 'Fuerza_Bor_Avg',
                                    'R_Range', 'R_Std']]

print("\n📋 TABLA CONSOLIDADA DE TODOS LOS RESULTADOS")
print("="*120)
print(df_consolidated.to_string(index=False))
print("\n")

📋 TABLA CONSOLIDADA DE TODOS LOS RESULTADOS
========================================================================================================================
       Objeto                                               Imagen  Esquinas Fuerza_Esq_Avg Fuerza_Esq_Max  Bordes Fuerza_Bor_Avg  R_Range    R_Std
       Totoro                        01_Totoro_01_Totoro_Front.jpg      1440        9014726      983809195    7057       86426089 1.45e+09 1.51e+07
       Totoro                   01_Totoro_02_Totoro_Front_Dark.jpg      1440        1212648       45913431    8214        6589266 8.90e+07 1.35e+06
       Totoro              01_Totoro_03_Totoro_Lateral_Derecho.jpg      1440        8826812     1203484747    6195      109726569 1.72e+09 1.73e+07
       Totoro            01_Totoro_04_Totoro_Lateral_Izquierdo.jpg      1440        8872655     1450936527    5944       90415179 1.77e+09 1.43e+07
       Totoro                         01_Totoro_05_Totoro_Zoom.jpg      1440       22820896     7647272816    5376      120132948 9.21e+09 2.56e+07
       Totoro                        01_Totoro_06_Totoro_Other.jpg      1440        1365896       33200372    7725        3772505 9.86e+07 8.61e+05
  Borrego Tec                02_BorregoTec_01_BorregoTec_Front.jpg      1440       36847110     3359536875   10461      132047663 4.09e+09 3.03e+07
  Borrego Tec                 02_BorregoTec_02_BorregoTec_dark.jpg      1476       25656498      193362812    9789       46893988 3.72e+08 8.59e+06
  Borrego Tec      02_BorregoTec_03_BorregoTec_Lateral_Derecho.jpg      1440       39919109     2770768017   10625      154609511 3.69e+09 3.45e+07
  Borrego Tec    02_BorregoTec_04_BorregoTec_Lateral_Izquierdo.jpg      1440       30808438     2498830885    8926      141223297 3.11e+09 2.77e+07
  Borrego Tec                 02_BorregoTec_05_BorregoTec_Zoom.jpg      1440       32812401     1282253734    9451      105351316 1.98e+09 2.10e+07
  Borrego Tec        02_BorregoTec_06_BorregoTec_Lateral_Other.jpg      1699       21997830      273004857    9116       40367710 4.54e+08 7.77e+06
       Trumpy                        03_Trumpy_01_Trumpy_Front.jpg      1440       27071012     2115735334    7531       94455860 2.58e+09 1.87e+07
       Trumpy                   03_Trumpy_02_Trumpy_Front_Dark.jpg      1741       30417120     2122911776    7678       88343407 2.57e+09 1.78e+07
       Trumpy               03_Trumpy_03_Trumpy_Latera_Derecho.jpg      1440       22487567     1593384089    7279       95924075 2.01e+09 1.69e+07
       Trumpy             03_Trumpy_03_Trumpy_Latera_Izquierdo.jpg      1732       19675030      645024911    8548       40927670 8.05e+08 7.44e+06
       Trumpy                         03_Trumpy_05_Trumpy_Zoom.jpg      1440       12021733     1152905340    5979       79938198 1.43e+09 1.20e+07
       Trumpy                 03_Trumpy_06_Trumpy_Latera_Other.jpg      1440       19989909     2149271849    6402      127084915 2.65e+09 2.05e+07
       Amlito                        04_Amlito_01_Amlito_Front.jpg      1440       25864360     1559044481   14888       72358488 1.91e+09 1.85e+07
       Amlito                   04_Amlito_02_Amlito_Front_Dark.jpg      1440       16986058      225870463   11846       44870688 4.01e+08 9.13e+06
       Amlito              04_Amlito_03_Amlito_Lateral_Derecho.jpg      1718       17562730     1061219660   12715       64557509 1.46e+09 1.56e+07
       Amlito            04_Amlito_04_Amlito_Lateral_Izquierdo.jpg      1857       20612192      842916931   17842       51707217 1.07e+09 1.31e+07
       Amlito                         04_Amlito_05_Amlito_Zoom.jpg      1767       25799201     1055457315    9090       76770276 1.49e+09 1.50e+07
       Amlito                        04_Amlito_06_Amlito_Other.jpg      1527       28236349      269225129   12666       52139281 4.56e+08 1.09e+07
 Jack Daniels               05_JackDaniels_01_JackDaniel_Front.jpg      1440       13392035     1270612317    6753       72137059 1.67e+09 1.29e+07
 Jack Daniels          05_JackDaniels_02_JackDaniel_Front_Dark.jpg      1644        3589689       52756520    8454        7713664 1.12e+08 1.39e+06
 Jack Daniels     05_JackDaniels_03_JackDaniel_Lateral_Derecho.jpg      1440       23106252     5180812154    5119      262363464 6.51e+09 3.93e+07
 Jack Daniels   05_JackDaniels_04_JackDaniel_Lateral_Izquierdo.jpg      1440        5248873      575163718    6179       31381819 7.17e+08 5.33e+06
 Jack Daniels                05_JackDaniels_05_JackDaniel_Zoom.jpg      1440       19813021     5315058256    5040      188339191 6.51e+09 3.08e+07
 Jack Daniels                05_JackDaniels_06_JackDaniel_Zoom.jpg      1440        6049828      801094534    6298       53737554 1.02e+09 8.68e+06
      Simbita                      06_Simbita_01_Simbita_Front.jpg      1440         751548       97613712    7606        6726980 1.38e+08 1.26e+06
      Simbita                 06_Simbita_02_Simbita_Front_Dark.jpg      1440         892284       65628761    5630        2743740 1.29e+08 5.91e+05
      Simbita            06_Simbita_03_Simbita_Lateral_Derecho.jpg      1440        4874385      851119411    6769       45044147 1.04e+09 7.43e+06
      Simbita          06_Simbita_04_Simbita_Lateral_Izquierdo.jpg      1440        3624144      602656520    6707       48406915 8.34e+08 7.65e+06
      Simbita               06_Simbita_05_Simbita_Lateral_Zoom.jpg      1440        6061261      970661434    5498      101666379 1.36e+09 1.45e+07
      Simbita                      06_Simbita_06_Simbita_Other.jpg      1440        7790972     1972330988    6083       70519662 2.43e+09 1.18e+07
Cabina London             07_CabinaLondon_01_LondonPhone_Front.jpg      1440       14708483     2220427715    5437      153532212 2.87e+09 2.23e+07
Cabina London        07_CabinaLondon_02_LondonPhone_Front_Dark.jpg      1440         622316       59548519    5497        2828551 7.52e+07 4.99e+05
Cabina London   07_CabinaLondon_03_LondonPhone_Lateral_Derecho.jpg      1440       14602584     2662528902    5283      194524474 3.51e+09 2.84e+07
Cabina London 07_CabinaLondon_04_LondonPhone_Lateral_Izquierdo.jpg      1440       11193971     1281520645    5549      127810653 1.75e+09 1.79e+07
Cabina London      07_CabinaLondon_05_LondonPhone_Lateral_Zoom.jpg      1440       16059573     2068421472    5382      167251433 2.70e+09 2.45e+07
Cabina London             07_CabinaLondon_06_LondonPhone_Other.jpg      1440       13617435     1696542437    5450      188884178 2.46e+09 2.64e+07
  All Friends                      08_AllFriends_01_AllFriends.jpg      1897       11690323      878072128    5482       81869243 1.62e+09 1.67e+07
  All Friends                      08_AllFriends_02_AllFriends.jpg      1440       15084708     2033748239    5005       79734945 2.74e+09 1.63e+07
  All Friends                      08_AllFriends_03_AllFriends.jpg      1821       10682366      809108875    6374       91721356 2.02e+09 1.95e+07
  All Friends                      08_AllFriends_04_AllFriends.jpg      1527       11590621      990038255    9108       28567875 1.23e+09 6.92e+06
  All Friends                      08_AllFriends_05_AllFriends.jpg      1846       11793742      889313434    5725       91118469 1.90e+09 1.94e+07
  All Friends                      08_AllFriends_06_AllFriends.jpg      1440       13803442     1681599002    6785       65843495 2.25e+09 1.40e+07

# Estadísticas por objeto
stats_by_object = df_consolidated.groupby('Objeto').agg({
    'Esquinas': ['mean', 'std', 'min', 'max'],
    'Bordes': ['mean', 'std', 'min', 'max']
}).round(2)

print("\n📊 ESTADÍSTICAS POR OBJETO")
print("="*100)
print(stats_by_object)
print("\n")

# Visualización de estadísticas
fig, axes = plt.subplots(1, 2, figsize=(18, 6))

# Gráfico de esquinas por objeto
df_consolidated.groupby('Objeto')['Esquinas'].mean().sort_values().plot(
    kind='barh', ax=axes[0], color='crimson', edgecolor='black'
)
axes[0].set_title('Promedio de Esquinas Detectadas por Objeto', fontsize=13, fontweight='bold')
axes[0].set_xlabel('Número Promedio de Esquinas', fontsize=11)
axes[0].grid(axis='x', alpha=0.3)

# Gráfico de bordes por objeto
df_consolidated.groupby('Objeto')['Bordes'].mean().sort_values().plot(
    kind='barh', ax=axes[1], color='forestgreen', edgecolor='black'
)
axes[1].set_title('Promedio de Bordes Detectados por Objeto', fontsize=13, fontweight='bold')
axes[1].set_xlabel('Número Promedio de Bordes', fontsize=11)
axes[1].grid(axis='x', alpha=0.3)

plt.tight_layout()
plt.show()

📊 ESTADÍSTICAS POR OBJETO
====================================================================================================
              Esquinas                        Bordes                      
                  mean     std   min   max      mean      std   min    max
Objeto                                                                    
All Friends    1661.83  215.01  1440  1897   6413.17  1464.62  5005   9108
Amlito         1624.83  179.27  1440  1857  13174.50  2954.30  9090  17842
Borrego Tec    1489.17  103.80  1440  1699   9728.00   698.58  8926  10625
Cabina London  1440.00    0.00  1440  1440   5433.00    92.69  5283   5549
Jack Daniels   1474.00   83.28  1440  1644   6307.17  1252.33  5040   8454
Simbita        1440.00    0.00  1440  1440   6382.17   798.74  5498   7606
Totoro         1440.00    0.00  1440  1440   6751.83  1098.52  5376   8214
Trumpy         1538.83  153.14  1440  1741   7236.17   925.33  5979   8548

# Análisis por tipo de condición
def classify_condition(filename):
    """Clasifica la condición de la imagen según el nombre del archivo."""
    filename_lower = filename.lower()
    if 'dark' in filename_lower:
        return 'Oscura'
    elif 'zoom' in filename_lower:
        return 'Zoom'
    elif 'lateral' in filename_lower or 'latera' in filename_lower:
        return 'Lateral'
    elif 'front' in filename_lower:
        return 'Frontal'
    else:
        return 'Otra'

df_consolidated['Condición'] = df_consolidated['Imagen'].apply(classify_condition)

# Estadísticas por condición
stats_by_condition = df_consolidated.groupby('Condición').agg({
    'Esquinas': ['mean', 'std', 'count'],
    'Bordes': ['mean', 'std']
}).round(2)

print("\n📊 ESTADÍSTICAS POR CONDICIÓN DE CAPTURA")
print("="*100)
print(stats_by_condition)
print("\n")

# Visualización por condición
fig, axes = plt.subplots(2, 2, figsize=(16, 10))

# Esquinas por condición
df_consolidated.boxplot(column='Esquinas', by='Condición', ax=axes[0, 0])
axes[0, 0].set_title('Distribución de Esquinas por Condición', fontsize=12, fontweight='bold')
axes[0, 0].set_xlabel('Condición', fontsize=11)
axes[0, 0].set_ylabel('Número de Esquinas', fontsize=11)
plt.sca(axes[0, 0])
plt.xticks(rotation=45)

# Bordes por condición
df_consolidated.boxplot(column='Bordes', by='Condición', ax=axes[0, 1])
axes[0, 1].set_title('Distribución de Bordes por Condición', fontsize=12, fontweight='bold')
axes[0, 1].set_xlabel('Condición', fontsize=11)
axes[0, 1].set_ylabel('Número de Bordes', fontsize=11)
plt.sca(axes[0, 1])
plt.xticks(rotation=45)

# Barras agrupadas - Esquinas
condition_means = df_consolidated.groupby('Condición')[['Esquinas', 'Bordes']].mean()
condition_means.plot(kind='bar', ax=axes[1, 0], color=['crimson', 'forestgreen'],
                     edgecolor='black', width=0.7)
axes[1, 0].set_title('Promedio de Detecciones por Condición', fontsize=12, fontweight='bold')
axes[1, 0].set_xlabel('Condición', fontsize=11)
axes[1, 0].set_ylabel('Número Promedio', fontsize=11)
axes[1, 0].legend(['Esquinas', 'Bordes'])
axes[1, 0].grid(axis='y', alpha=0.3)
plt.sca(axes[1, 0])
plt.xticks(rotation=45)

# Conteo de imágenes por condición
condition_counts = df_consolidated['Condición'].value_counts()
condition_counts.plot(kind='pie', ax=axes[1, 1], autopct='%1.1f%%',
                     colors=sns.color_palette('Set2'), startangle=90)
axes[1, 1].set_title('Distribución de Imágenes por Condición', fontsize=12, fontweight='bold')
axes[1, 1].set_ylabel('')

plt.tight_layout()
plt.show()

📊 ESTADÍSTICAS POR CONDICIÓN DE CAPTURA
====================================================================================================
          Esquinas                 Bordes         
              mean     std count     mean      std
Condición                                         
Frontal    1440.00    0.00     7  8533.29  3185.87
Lateral    1517.88  142.94    16  8074.88  3337.18
Oscura     1517.29  123.63     7  8158.29  2238.09
Otra       1581.80  192.33    10  7040.30  2324.94
Zoom       1480.88  115.61     8  6514.25  1747.49

Concepto	Descripción
Corner (Esquina)	Punto donde la intensidad cambia significativamente en múltiples direcciones
Edge (Borde)	Punto donde la intensidad cambia en una sola dirección
Respuesta Harris (R)	$R = \det(M) - k \cdot \text{trace}(M)^2$
Tensor de Estructura (M)	Matriz que captura gradientes locales en ventana gaussiana
Sistema Híbrido	Combina criterio estadístico + percentil para umbrales adaptativos
Invarianza	Harris es invariante a rotación/traslación, NO a escala

Valor de R	Interpretación	Características
R >> 0 (alto positivo)	Esquina	Cambio de intensidad en todas direcciones
R << 0 (negativo)	Borde	Cambio en una sola dirección
R ≈ 0	Región plana	Sin cambios significativos

Característica	Harris	SIFT	ORB	Deep Learning
Invarianza rotación	✅	✅	✅	✅
Invarianza escala	❌	✅	✅	✅
Velocidad	⚡⚡⚡	⚡	⚡⚡	⚡ (GPU)
Descriptor incluido	❌	✅	✅	✅
Calidad detección	⭐⭐⭐	⭐⭐⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐⭐⭐

	nombre_archivo	id_archivo
0	7.2_Characteristics_Extraction_chessboard.jpg	1BF_FznGku-lPAvXmSEJYoAfyTZeKSOl4
1	01_Totoro_01_Totoro_Front.jpg	17ZsTctI7UnnAX6SjSEEiir8AYr7wwRUu
2	01_Totoro_02_Totoro_Front_Dark.jpg	11SrPWXTzGV9FFy3O9rHiX8iC6KxgWUZR
3	01_Totoro_03_Totoro_Lateral_Derecho.jpg	1ocgQo98lWu6PlqLODq-NzCRQXROi9h-d
4	01_Totoro_04_Totoro_Lateral_Izquierdo.jpg	1gLHotGjFi3DLZ-udZS-6rOQVBamtcjKK
5	01_Totoro_05_Totoro_Zoom.jpg	1ZrijkckHyRti0T6ZWi9Sq-wt_si-g-82
6	01_Totoro_06_Totoro_Other.jpg	1dC_kTWr3pUjmvmINatctkH8PQjnAIEby
7	02_BorregoTec_01_BorregoTec_Front.jpg	15fTnfAVEbR9wEexW3p_g_NiiGtjhmGGq
8	02_BorregoTec_02_BorregoTec_dark.jpg	19AwTTtt_-8dqJjvFlf0xar9jSEWByJA7
9	02_BorregoTec_03_BorregoTec_Lateral_Derecho.jpg	1RxenQTKirK4_DWZT5toqZ0sClq-yRCza

🎓 Maestría en Inteligencia Artificial Aplicada¶

🖼️ Visión Computacional para Imágenes y Video¶

👨‍🏫 Profesores¶

Laboratorio 7.2: Harris Corner Detection¶

Extracción de Características - Detección de Puntos de Interés¶

📌 Detalles de la Actividad¶

👥 Team 13¶

🚀 Nuestro Equipo¶

Javier Augusto Rebull Saucedo¶

Juan Carlos Pérez Nava¶

Luis Gerardo Sánchez Salazar¶

Oscar Enrique García García¶

Objetivo del Proyecto¶

📚 Tabla de Contenidos¶

🔑 Conceptos Clave¶

📊 Dataset¶

🛠️ Tecnologías Utilizadas¶

🎯 Laboratorio 7.2: Harris Corner Detection¶

Extracción de Características - Detección de Puntos de Interés¶

📋 Contexto del Problema¶

🎯 Pipeline de Extracción de Características¶

🔍 ¿Qué es el Detector de Harris?¶

Distinción de Regiones:¶

Propiedades del Detector de Harris:¶

🎓 Objetivos del Laboratorio¶

📚 Referencias¶

📑 Tabla de Contenidos¶

1. 🔧 Configuración e Instalación ¶

2. 📥 Descarga y Preparación del Dataset ¶

🎯 Objetos del Dataset:¶

3. 🔬 Implementación del Algoritmo Harris ¶

📐 Fundamento Matemático¶

Interpretación de R:¶

3.1 📸 Conversión a Escala de Grises ¶

3.2 📊 Cálculo de Derivadas Espaciales (Gradientes) ¶

Operador Sobel¶

3.3 🔢 Configuración del Tensor de Estructura ¶

Componentes de la Matriz de Estructura:¶

¿Por qué suavizado Gaussiano?¶

3.4 🎯 Cálculo de la Respuesta Harris ¶

📊 Interpretación del Valor R:¶

🔍 Efecto del parámetro k:¶

3.5 🎨 Detección de Esquinas y Bordes ¶

🎯 Criterios de Detección:¶

🔧 Mejoras Adicionales:¶

🔧 Función Mejorada de Detección Harris¶

Celda Rapida para validar parametros¶

Prueba de Diferentes configuraciones¶

4. 📊 Análisis por Objeto ¶

🎯 Condiciones de Prueba:¶

📈 Métricas a analizar:¶

4.1 🐱 Objeto 1: Totoro¶

4.2 🐏 Objeto 2: Borrego Tec¶

4.3 🎺 Objeto 3: Trumpy¶

4.4 🌮 Objeto 4: Amlito¶

4.5 🥃 Objeto 5: Jack Daniels¶

4.6 🦁 Objeto 6: Simbita¶

4.7 ☎️ Objeto 7: Cabina London¶

4.8 👥 Objeto 8: All Friends¶

5. 📊 Análisis Comparativo y Tablas ¶

📚 Documentación y Análisis del Sistema de Detección Harris¶

🎯 Resumen del Proyecto¶

🔬 Fundamentos Teóricos¶

⚙️ Parámetros y Sistema Híbrido¶

1. Parámetros Clave¶

2. Método de Umbralización Híbrido¶

3. Sistema de Visualización¶

📊 Análisis de Resultados y Comportamiento¶

1. 📸 Efecto de las Condiciones de Iluminación (Frontal vs. Oscura)¶

2. 🔄 Efecto del Ángulo de Captura (Frontal vs. Lateral)¶

3. 🔍 Efecto del Zoom (Escala)¶

4. 🎨 Diferencias entre Objetos (Textura)¶

🔬 Validación del Sistema Híbrido¶

🎓 Conclusiones Finales¶

✅ Fortalezas Observadas¶

❌ Limitaciones Evidentes¶

🎯 Recomendaciones de Uso¶

🔄 Alternativas Modernas¶

Reflexión Final: Nuestras Lecciones sobre el Detector de Harris¶

El Reto Principal: La Crisis de las 9,600 Esquinas¶